基于多GPU加速的监控视频摘要系统的设计与实现

摘要

随着科学技术的发展以及人们日益增强的安全意识，越来越多的监控录像机出现在我们周围，而随之而来的是庞大的监控视频数据。当需要查看监控录像中的事件时，传统的方法是由人眼逐步排查视频，最终找到敏感视频段。而由于人眼的局限性，这种方法在浪费大量人力的同时，还极有可能漏掉重要目标。视频摘要技术旨在通过智能算法，自动识别视频中的敏感对象，同时去除视频中的冗余信息，使得人们可以通过极少的代价浏览整个视频而又不丢失重要信息。在视频摘要处理的过程中，有大量可并行计算的操作，这些操作如果都由CPU进行，则会使得视频摘要的及时性大打折扣。所以使用GPU加速对于视频摘要具有重大的意义。为了能进一步的提高加速比，可以选择使用多个GPU进行联合加速。
　　通过研究GPU的编程方法，本系统中选择使用CUDA编程框架进行GPU加速的设计。为了获得更好的加速效果，首先分析了系统中各个模块的特点，最后确定了对前景目标提取和目标融合模块进行GPU改写的方案。在详细讨论了前景目标融合的各种方法后，最终选择了背景减除法。在针对目标提取模块进行CUDA编程时，设计并实现了单GPU加速，多GPU分割图像加速以及多GPU多路视频加速等具体方案。在对目标提取过程中的各个关键步骤的复杂度及其耗时情况进行了研究后，找出阻碍GPU加速的客观因素并努力解决。针对多GPU的显卡切换导致上下文失效的问题，提出了使用多线程协调工作增加效率的解决方案。而对于数据在CPU和GPU之间互相传送与CPU解码的冲突，则选择使用带标记位的缓冲区的方法。在对系统理想流水线进行分析后，提出了更贴合实际应用的改写方案，并以此对程序的主要流程进行了设计。
　　最后记录各个模式下系统的运行时间，通过对比验证了几个不同版本的加速方案对于系统性能的提升，取得20倍左右的加速比，并对系统后期需要继续改进的方向提出了展望。

目录

封面

声明

中文摘要

英文摘要

目录

1 绪论

1.1 研究背景与意义

1.2 国内外研究现状

1.3 本文主要内容

1.4 本文结构

2 视频摘要目标提取及CUDA编程概述

2.1 目标提取方法概述

2.2 GPU构架与CUDA编程框架描述

2.3 视频摘要系统性能概述

2.4 本章小结

3 目标提取中的多GPU加速设计与关键技术

3.1 系统整体设计

3.2 运动目标提取中的多GPU加速方法

3.3 GPU加速在其他模块中的简单应用

3.4 本章小结

4 加速实现效果与系统性能评测

4.1 原始监控摘要系统性能

4.2 GPU加速之后的系统性能

4.3 使用GPU加速的结果与分析

4.4 本章小结

5 总结与展望

5.1 论文总结

5.2 未来工作展望

致谢

参考文献